CN111460293A - 信息推送方法、装置及计算机可读存储介质 - Google Patents
信息推送方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111460293A CN111460293A CN202010239973.6A CN202010239973A CN111460293A CN 111460293 A CN111460293 A CN 111460293A CN 202010239973 A CN202010239973 A CN 202010239973A CN 111460293 A CN111460293 A CN 111460293A
- Authority
- CN
- China
- Prior art keywords
- user
- user information
- information set
- information
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种信息推送方法,包括:获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;对用户信息集进行去异常预处理,得到初始用户信息集;对初始用户信息集进行特征提取,得到标准用户信息集;将标准用户信息集进行分类,得到包含不同类别用户集合的分类结果;计算分类结果中目标类别用户集合所包含的用户对应的各项产品在目标类别用户集合中的占比权重值;获取最大的占比权重值对应的目标产品以及目标用户,向目标类别用户集合中目标用户以外的其他用户推送目标产品的信息。本发明还提出一种信息推送装置、电子设备以及一种计算机可读存储介质。本发明可以解决产品信息推送精确度低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种信息推送方法、装置、电子设备及计算机可读存储介质。
背景技术
随着大数据及人工智能的兴起,对于将产品推荐给潜在客户的需求也越来越大,但因为市场上产品数目众多且客户群体庞大,导致无法精确地寻找出潜在客户并将适用潜在客户的产品信息推送给客户。
目前多数产品推荐方法复杂并占用计算资源,且产品推荐过程中,缺少对产品及适用该产品的潜在客户的匹配,进而导致产品信息推送过程成本高,精确度低。
发明内容
本发明提供一种信息推送方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决产品信息推送过程成本高,精确度低的问题。
为实现上述目的,本发明提供的一种信息推送方法,包括:
获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
对所述用户信息集进行去异常预处理,得到初始用户信息集;
对所述初始用户信息集进行特征提取,得到标准用户信息集;
将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
可选地,获取至少两项产品对应的至少两个用户的信息,得到用户信息集;
对所述用户信息集进行去异常预处理,得到初始用户信息集;
对所述初始用户信息集进行特征提取,得到标准用户信息集;
将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
可选地,所述方法还包括:
获取所述数值集内的中位数q;
可选地,所述对所述初始用户信息集进行特征提取,得到标准用户信息集,包括:
步骤A:随机生成训练用户信息集,以及所述训练用户信息集对应的标准用户特征信息集;
步骤B:利用特征提取模型对所述训练用户信息集进行特征提取,得到特征用户信息集;
步骤C:将所述特征用户信息集和所述标准用户特征信息集进行对比,若所述特征用户信息集与所述标准用户特征信息集的差异大于预设误差,则调整所述特征提取模型的参数后返回步骤B再次进行特征提取;
步骤D:若所述特征用户信息集与所述标准用户特征信息集的差异小于所述预设误差,则确认训练完成,生成训练完成的特征提取模型;
步骤E:利用训练完成的特征提取模型对所述初始用户信息集进行特征提取,得到标准用户信息集。
可选地,所述将所述特征用户信息集和所述标准用户特征信息集进行对比,包括:
采用相似度计算函数进行相似度计算,得到计算结果,所述相似度计算函数为:
Simtopic=Pearson(TPS,TPT)
其中,TPT为所述特征用户信息集,TPS为所述标准用户特征信息集,Pearson(·)表示相似度计算。
可选地,所述将所述标准用户信息集输入至训练完成的分类模型进行分类之前,所述方法还包括:
步骤a:从所述标准用户信息集中随机选取k个标准用户信息并汇集为样本信息集;
步骤b:从所述样本信息集中随机选取n个样本信息作为样本中心构建分类模型,其中n<k;
步骤c:随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,将所述样本信息和所述距离值最小的样本中心进行汇集,得到更新的样本中心;
步骤d:计算每一个所述更新的样本中心中距离值的总值,得到距离值集;
步骤e:重复步骤b,直到所述距离值集中的每个距离值均小于预设的距离阈值,得到所述训练完成的分类模型。
可选地,所述利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值包括:
利用如下权重算法计算所述占比权重值g:
其中,b为所述分类结果中目标类别用户集合所包含的用户对应的各项产品的个数,a为所述目标类别用户集合的用户数量。
为了解决上述问题,本发明还提供一种信息推送方法装置,所述装置包括:
用户信息获取模块,用于获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
信息预处理模块模块,用于对所述用户信息集进行去异常预处理,得到初始用户信息集;
特征提取模块,用于对所述初始用户信息集进行特征提取,得到标准用户信息集;
分类模块,用于将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
计算模块,用于利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
信息推送模块,用于获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的信息推送方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的信息推送方法。
本发明综合来说,对所述用户信息集进行去异常预处理,得到初始用户信息集,去除了所述用户信息集中原本异常对数据,方便后续对用户信息集重点数据更有效的利用;对所述初始用户信息集进行特征提取,得到标准用户信息集,提取特征代替大量的数据,减少了数据量,降低了计算资源的占用;将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合,将数据进行分类,并基于分类结果进行产品信息推送,以实现更精确的产品信息的推送。因此本发明提出的信息推送方法、装置及计算机可读存储介质,可以实现精准的产品信息推送。
附图说明
图1为本发明一实施例提供的信息推送方法的流程示意图;
图2为本发明一实施例提供的信息推送装置的模块示意图;
图3为本发明一实施例提供的实现信息推送方法的电子设备的内部结构示意图;
图4为本发明一实施例提供的生成训练完成的特征提取模型并得到标准用户信息集的流程示意图;
图5为本发明一实施例提供的训练预构建的分类模型,得到训练完成的分类模型的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种信息推送方法。参照图1所示,为本发明一实施例提供的信息推送方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,信息推送方法包括:
S1、获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集。
本发明实施例中,可以通过在预设的客户数据库中进行检索得到至少两个产品对应的至少两个用户的用户信息,如用户的年龄,用户的性别,用户使用该产品的年限等。
本实施例中,一个产品可以对应至少两个用户,两个产品可以分别对应相同或不同的用户。
进一步地,所述客户数据库可以是任一公司现有的用于储存所述产品信息及客户信息的数据库,如msql数据库,Oracle数据库等。
在所述客户数据库中检索至少两项产品对应的至少两个用户的用户信息后,将所述用户信息进行汇集,得到所述用户信息集。
S2、对所述用户信息集进行去异常预处理,得到初始用户信息集。
由于获取到的用户信息集中的用户信息可能存在错误,缺失等数据异常的情况,需要对用户信息集中的用户信息进行去异常预处理。
详细地,对所述用户信息集进行去异常预处理,得到初始用户信息集,包括:
将所述用户信息集进行数值化处理,得到数值集;
通过阈值区间对所述数值集进行筛选,得到异常数值集和正常数值集;
计算所述正常数值集的平均值,将所述异常数值集中的数据用所述平均值进行替换,得到修正异常数值集;
确定所述正常数值集与所述修正异常数值集的集合为所述初始用户信息集。
例如,若收集到的用户信息集中的用户信息中含有用户的性别,所述用户的性别为非数值型的数据,为了后续更好的对所述用户信息集进行处理,需要将所述非数值型的数据进行数值化处理。如当所述用户性别为男时,将所述用户性别数值化为1,当所述用户性别为女时,将所述用户性别数值化为0;当所述用户信息集中所有的用户信息数值化完成后,得到所述数值信息集。
进一步的,在本发明另一实施例中,还可以通过以下步骤得到阈值区间,所述方法还包括:
获取所述数值集内的中位数q;
进一步地,本发明实施例通过计算所述正常值集的平均数,将所述异常值集中的数值信息用所述平均数进行替换,来对所述异常值集进行修正,得到所述修正异常值集,将所述修正异常值集和所述正常值集进行汇集,得到所述初始用户信息集。
S3、对所述初始用户信息集进行特征提取,得到标准用户信息集。
进一步地,本发明实施例利用一个具有特征提取功能的卷积神经网络来将所述初始用户信息集进行特征提取处理,得到标准用户信息集,所述方法还包括:
构建一个特征提取模型,并对所述特征提取模型进行训练;
利用训练后的特征提取模型对所述初始用户信息集进行特征提取,得到所述标准用户信息集。
本发明实施例中所述特征提取模型可以是一个具有特征提取功能的卷积神经网络。
进一步地,本发明实施例中所述对所述特征提取模型进行训练的过程如图4,包括:
步骤S30:随机生成训练用户信息集,以及所述训练用户信息集对应的标准用户特征信息集;
步骤S31:利用特征提取模型对所述训练用户信息集进行特征提取,得到特征用户信息集;
步骤S32:将所述特征用户信息集和所述标准用户特征信息集进行对比,若所述特征用户信息集与所述标准用户特征信息集的差异大于预设误差,则调整所述特征提取模型的参数后返回步骤S31再次进行特征提取;
步骤S33:若所述特征用户信息集与所述标准用户特征信息集的差异小于所述预设误差,则确认训练完成,生成训练完成的特征提取模型;
步骤S34:利用训练完成的特征提取模型对所述初始用户信息集进行特征提取,得到标准用户信息集。
进一步地,在本发明实施例对所述特征用户信息集和所述标准用户特征信息集采用如下相似度计算函数进行相似度计算,得到计算结果:
Simtopic=Pearson(TPS,TPT)
其中,TPT为所述特征用户信息集,TPS为所述标准用户特征信息集,Pearson(·)表示相似度计算。
进一步地,本发明实施例可以预设的相似度阈值为s。若上述得到的计算结果小于或等于,则认为特征用户信息集与标准用户特征信息集存在差异,调整所述特征提取模型的参数,重新进行转化。若上述得到的计算结果大于s,则认为特征用户信息集与标准用户特征信息集不存在差异,将所述特征用户信息集输出,得到所述标准用户信息集。
S4、将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果中包含不同类别用户集合。
进一步地,所述将所述标准用户信息集输入至训练完成的分类模型进行分类之前,所述方法还包括:
训练预构建的所述分类模型,得到所述训练完成的分类模型的过程如图5,包括:
步骤S40:从所述标准用户信息集中随机选取k个标准用户信息并汇集为样本信息集;
步骤S41:从所述样本信息集中随机选取n个样本信息作为样本中心构建分类模型,其中n<k;
步骤S42:随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,将所述样本信息和所述距离值最小的样本中心进行汇集,得到更新的样本中心;
步骤S43:计算每一个所述更新的样本中心中距离值的总值,得到距离值集;
步骤S44:重复步骤S41,直到所述距离值集中的每个距离值均小于预设的距离阈值时,执行S45,得到并输出所述训练完成的分类模型。
详细地,所述随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,包括:
利用如下距离计算公式计算所述样本信息和所述样本中心的距离值F:
F=long{p,q}
其中,p为所述样本信息;q为所述样本中心。
进一步地,将每一个所述更新的样本中心中的距离值进行加总求和,得到所述距离值集,当所述距离值集中的每个距离值均小于预设的距离阈值时,完成训练,得到所述训练完成的分类模型。
进一步地,将所述标准用户信息集输入至所述训练完成的分类模型进行分类,得到分类结果,所述分类结果中包含不同类别用户集合。
S5、利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值。
进一步地,本发明实施例利用如下预设的权重算法计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值g:
其中,b为所述分类结果中目标类别用户集合所包含的用户对应的各项产品的个数,a为所述目标类别用户集合的用户数量。
S6、获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
进一步地,当每一个样本中心中的产品均完成所述权重计算后,获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息,如所述目标类别用户集合中有10人,其中有5人使用产品A,3人使用产品B,2人使用产品C,通过上述权重算法,得出使用产品A的目标用户在所述目标类别用户集合中的占比权重值最大,则向所述目标类别用户集合中所述目标用户以外的其他用户推送产品A的信息。
本发明综合来说,对所述用户信息集进行去异常预处理,得到初始用户信息集,去除了所述用户信息集中原本异常对数据,方便后续对用户信息集重点数据更有效的利用;对所述初始用户信息集进行特征提取,得到标准用户信息集,提取特征代替大量的数据,减少了数据量,降低了计算资源的占用;将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合,将数据进行分类,并基于分类结果进行产品信息推送,以实现更精确的产品信息的推送。
如图2所示,是本发明信息推送方法装置的功能模块图。
本发明所述信息推送方法100可以安装于电子设备中。根据实现的功能,所述信息推送方法装置可以包括用户信息获取模块101、信息预处理模块102、特征提取模块103、分类模块104、计算模块105和信息推送模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述用户信息获取模块101,用于获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
所述信息预处理模块102,用于对所述用户信息集进行去异常预处理,得到初始用户信息集;
所述特征提取模块103,用于对所述初始用户信息集进行特征提取,得到标准用户信息集;
所述分类模块104,用于将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
所述计算模块105,用于利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
所述信息推送模块106,用于获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
详细地,所述信息推送装置各模块的具体实施步骤如下:
用户信息获取模块101、获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集。
本发明实施例中,可以通过在预设的客户数据库中进行检索得到至少两个产品对应的至少两个用户的用户信息,如用户的年龄,用户的性别,用户使用该产品的年限等。
本实施例中,一个产品可以对应至少两个用户,两个产品可以分别对应相同或不同的用户。
进一步地,所述客户数据库可以是任一公司现有的用于储存所述产品信息及客户信息的数据库,如msql数据库,Oracle数据库等。
在所述客户数据库中检索至少两项产品对应的至少两个用户的用户信息后,将所述用户信息进行汇集,得到所述用户信息集。
信息预处理模块102、对所述用户信息集进行去异常预处理,得到初始用户信息集。
由于获取到的用户信息集中的用户信息可能存在错误,缺失等数据异常的情况,需要对用户信息集中的用户信息进行去异常预处理。
详细地,对所述用户信息集进行去异常预处理,得到初始用户信息集,包括:
将所述用户信息集进行数值化处理,得到数值集;
通过阈值区间对所述数值集进行筛选,得到异常数值集和正常数值集;
计算所述正常数值集的平均值,将所述异常数值集中的数据用所述平均值进行替换,得到修正异常数值集;
确定所述正常数值集与所述修正异常数值集的集合为所述初始用户信息集。
例如,若收集到的用户信息集中的用户信息中含有用户的性别,所述用户的性别为非数值型的数据,为了后续更好的对所述用户信息集进行处理,需要将所述非数值型的数据进行数值化处理。如当所述用户性别为男时,将所述用户性别数值化为1,当所述用户性别为女时,将所述用户性别数值化为0;当所述用户信息集中所有的用户信息数值化完成后,得到所述数值信息集。
进一步的,在本发明另一实施例中,还可以通过以下步骤得到阈值区间,所述方法还包括:
获取所述数值集内的中位数q;
进一步地,本发明实施例通过计算所述正常值集的平均数,将所述异常值集中的数值信息用所述平均数进行替换,来对所述异常值集进行修正,得到所述修正异常值集,将所述修正异常值集和所述正常值集进行汇集,得到所述初始用户信息集。
特征提取模块103,对所述初始用户信息集进行特征提取,得到标准用户信息集。
进一步地,本发明实施例利用一个具有特征提取功能的卷积神经网络来将所述初始用户信息集进行特征提取处理,得到标准用户信息集,所述方法还包括:
构建一个特征提取模型,并对所述特征提取模型进行训练;
利用训练后的特征提取模型对所述初始用户信息集进行特征提取,得到所述标准用户信息集。
本发明实施例中所述特征提取模型可以是一个具有特征提取功能的卷积神经网络。
进一步地,本发明实施例中所述对所述特征提取模型进行训练,包括:
步骤A:随机生成训练用户信息集,以及所述训练用户信息集对应的标准用户特征信息集;
步骤B:利用特征提取模型对所述训练用户信息集进行特征提取,得到特征用户信息集;
步骤C:将所述特征用户信息集和所述标准用户特征信息集进行对比,若所述特征用户信息集与所述标准用户特征信息集的差异大于预设误差,则调整所述特征提取模型的参数后返回步骤B再次进行特征提取;
步骤D:若所述特征用户信息集与所述标准用户特征信息集的差异小于所述预设误差,则确认训练完成,生成训练完成的特征提取模型;
步骤E:利用训练完成的特征提取模型对所述初始用户信息集进行特征提取,得到标准用户信息集。
进一步地,在本发明实施例对所述特征用户信息集和所述标准用户特征信息集采用如下相似度计算函数进行相似度计算,得到计算结果:
Simtopic=Pearson(TPS,TPT)
其中,TPT为所述特征用户信息集,TPS为所述标准用户特征信息集,Pearson(·)表示相似度计算。
进一步地,本发明实施例可以预设的相似度阈值为s。若上述得到的计算结果小于或等于,则认为特征用户信息集与标准用户特征信息集存在差异,调整所述特征提取模型的参数,重新进行转化。若上述得到的计算结果大于s,则认为特征用户信息集与标准用户特征信息集不存在差异,将所述特征用户信息集输出,得到所述标准用户信息集。
分类模块104,将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合。
进一步地,所述将所述标准用户信息集输入至训练完成的分类模型进行分类之前,所述方法还包括:
训练预构建的所述分类模型,得到所述训练完成的分类模型,包括:
步骤a:从所述标准用户信息集中随机选取k个标准用户信息并汇集为样本信息集;
步骤b:从所述样本信息集中随机选取n个样本信息作为样本中心构建分类模型,其中n<k;
步骤c:随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,将所述样本信息和所述距离值最小的样本中心进行汇集,得到更新的样本中心;
步骤d:计算每一个所述更新的样本中心中距离值的总值,得到距离值集;
步骤e:重复步骤b,直到所述距离值集中的每个距离值均小于预设的距离阈值,得到所述训练完成的分类模型。
详细地,所述随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,包括:
利用如下距离计算公式计算所述样本信息和所述样本中心的距离值F:
F=long{p,q}
其中,p为所述样本信息;q为所述样本中心。
进一步地,将每一个所述更新的样本中心中的距离值进行加总求和,得到所述距离值集,当所述距离值集中的每个距离值均小于预设的距离阈值时,完成训练,得到所述训练完成的分类模型。
进一步地,将所述标准用户信息集输入至所述训练完成的分类模型进行分类,得到分类结果,所述分类结果中包含不同类别用户集合。
计算模块105,利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值。
进一步地,本发明实施例利用如下预设的权重算法计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值g:
其中,b为所述分类结果中目标类别用户集合所包含的用户对应的各项产品的个数,a为所述目标类别用户集合的用户数量。
信息推送模块106,获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
进一步地,当每一个样本中心中的产品均完成所述权重计算后,获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息,如所述目标类别用户集合中有10人,其中有5人使用产品A,3人使用产品B,2人使用产品C,通过上述权重算法,得出使用产品A的目标用户在所述目标类别用户集合中的占比权重值最大,则向所述目标类别用户集合中所述目标用户以外的其他用户推送产品A的信息。
本发明综合来说,对所述用户信息集进行去异常预处理,得到初始用户信息集,去除了所述用户信息集中原本异常对数据,方便后续对用户信息集重点数据更有效的利用;对所述初始用户信息集进行特征提取,得到标准用户信息集,提取特征代替大量的数据,减少了数据量,降低了计算资源的占用;将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合,将数据进行分类,并基于分类结果进行产品信息推送,以实现更精确的产品信息的推送。
如图3所示,是本发明实现信息推送方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如资源调度程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行信息推送程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的信息推送方法程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
对所述用户信息集进行去异常预处理,得到初始用户信息集;
对所述初始用户信息集进行特征提取,得到标准用户信息集;
将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种信息推送方法,其特征在于,所述方法包括:
获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
对所述用户信息集进行去异常预处理,得到初始用户信息集;
对所述初始用户信息集进行特征提取,得到标准用户信息集;
将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
2.如权利要求1所述的信息推送方法,其特征在于,所述对所述用户信息集进行去异常预处理,得到初始用户信息集,包括:
将所述用户信息集进行数值化处理,得到数值集;
通过阈值区间对所述数值集进行筛选,得到异常数值集和正常数值集;
计算所述正常数值集的平均值,将所述异常数值集中的数据用所述平均值进行替换,得到修正异常数值集;
确定所述正常数值集与所述修正异常数值集的集合为所述初始用户信息集。
4.如权利要求1至3任一项所述的信息推送方法,其特征在于,所述对所述初始用户信息集进行特征提取,得到标准用户信息集,包括:
步骤A:随机生成训练用户信息集,以及所述训练用户信息集对应的标准用户特征信息集;
步骤B:利用特征提取模型对所述训练用户信息集进行特征提取,得到特征用户信息集;
步骤C:将所述特征用户信息集和所述标准用户特征信息集进行对比,若所述特征用户信息集与所述标准用户特征信息集的差异大于预设误差,则调整所述特征提取模型的参数后返回步骤B再次进行特征提取;
步骤D:若所述特征用户信息集与所述标准用户特征信息集的差异小于所述预设误差,则确认训练完成,生成训练完成的特征提取模型;
步骤E:利用训练完成的特征提取模型对所述初始用户信息集进行特征提取,得到标准用户信息集。
5.如权利要求4所述的信息推送方法,其特征在于,所述将所述特征用户信息集和所述标准用户特征信息集进行对比,包括:
采用相似度计算函数进行相似度计算,得到计算结果,所述相似度计算函数为:
Simtopic=Pearson(TPS,TPT)
其中,TPT为所述特征用户信息集,TPS为所述标准用户特征信息集。
6.如权利要求1至3任一项所述的信息推送方法,其特征在于,所述将所述标准用户信息集输入至训练完成的分类模型进行分类之前,所述方法还包括:
步骤a:从所述标准用户信息集中随机选取k个标准用户信息并汇集为样本信息集;
步骤b:从所述样本信息集中随机选取n个样本信息作为样本中心构建分类模型,其中n<k;
步骤c:随机选取所述样本信息集中剩余的样本信息输入至所述分类模型进行距离值分类,将所述样本信息和所述距离值最小的样本中心进行汇集,得到更新的样本中心;
步骤d:计算每一个所述更新的样本中心中距离值的总值,得到距离值集;
步骤e:重复步骤b,直到所述距离值集中的每个距离值均小于预设的距离阈值,得到所述训练完成的分类模型。
8.一种信息推送装置,其特征在于,所述装置包括:
用户信息获取模块,用于获取至少两项产品对应的至少两个用户的用户信息,得到用户信息集;
信息预处理模块,用于对所述用户信息集进行去异常预处理,得到初始用户信息集;
特征提取模块,用于对所述初始用户信息集进行特征提取,得到标准用户信息集;
分类模块,用于将所述标准用户信息集输入至训练完成的分类模型进行分类,得到分类结果,所述分类结果包含不同类别用户集合;
计算模块,用于利用预设的权重算法,计算分类结果中目标类别用户集合所包含的用户对应的各项产品在所述目标类别用户集合中的占比权重值;
信息推送模块,用于获取最大的占比权重值对应的目标产品以及目标用户,向所述目标类别用户集合中所述目标用户以外的其他用户推送所述目标产品的信息。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的信息推送方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239973.6A CN111460293B (zh) | 2020-03-30 | 2020-03-30 | 信息推送方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239973.6A CN111460293B (zh) | 2020-03-30 | 2020-03-30 | 信息推送方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460293A true CN111460293A (zh) | 2020-07-28 |
CN111460293B CN111460293B (zh) | 2023-02-28 |
Family
ID=71681735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010239973.6A Active CN111460293B (zh) | 2020-03-30 | 2020-03-30 | 信息推送方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460293B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102138A (zh) * | 2020-09-25 | 2020-12-18 | 中国建设银行股份有限公司 | 一种用户分类方法、装置及设备 |
CN113220941A (zh) * | 2021-06-01 | 2021-08-06 | 平安科技(深圳)有限公司 | 基于多模型的视频类型获取方法、装置、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110263235A (zh) * | 2019-06-05 | 2019-09-20 | 深圳市腾讯计算机系统有限公司 | 信息推送对象更新方法、装置和计算机设备 |
CN110502691A (zh) * | 2019-07-05 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于客户分类的产品推送方法、装置及可读存储介质 |
-
2020
- 2020-03-30 CN CN202010239973.6A patent/CN111460293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110263235A (zh) * | 2019-06-05 | 2019-09-20 | 深圳市腾讯计算机系统有限公司 | 信息推送对象更新方法、装置和计算机设备 |
CN110502691A (zh) * | 2019-07-05 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于客户分类的产品推送方法、装置及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102138A (zh) * | 2020-09-25 | 2020-12-18 | 中国建设银行股份有限公司 | 一种用户分类方法、装置及设备 |
CN113220941A (zh) * | 2021-06-01 | 2021-08-06 | 平安科技(深圳)有限公司 | 基于多模型的视频类型获取方法、装置、电子设备 |
CN113220941B (zh) * | 2021-06-01 | 2022-08-02 | 平安科技(深圳)有限公司 | 基于多模型的视频类型获取方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111460293B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN113706322A (zh) | 基于数据分析的服务分发方法、装置、设备及存储介质 | |
CN113032403A (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113705686A (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113887201A (zh) | 文本定长纠错方法、装置、设备及存储介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 | |
CN112734205A (zh) | 模型置信度分析方法、装置、电子设备及计算机存储介质 | |
CN113157677A (zh) | 基于信托行为的数据过滤方法及装置 | |
CN111475719B (zh) | 基于数据挖掘的信息推送方法、装置及存储介质 | |
CN113051475B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |